Vehicle Engine

  미세먼지에 대한 대중의 관심이 높아지고 자동차에서 발생하는 배기가스 저감에 대한 전세계적인 요구를 만족시키고자, 인공지능 기술을 이용하여 자동차 엔진의 배기가스를 정확하게 예측하는 연구를 수행하고 있습니다.

  이 연구에서는 인공지능을 실제 시스템에 적용하는 융합 연구를 수행하기 위한 전반적인 절차를 수립하는데 주력함으로써, 추후 인공지능 기술을 자동차 엔진이 아닌 다른 시스템에 적용할 때 큰 틀을 그대로 사용할 수 있도록 연구하고 있습니다.

  인공지능 융합 연구는 인공지능 모델의 학습과 예측 만으로 이뤄지지 않습니다. 그 전후 단계에서 많은 고려가 함께 수반되어야 인공지능 모델을 정확하게, 그리고 의미있게 활용할 수 있게 됩니다.

   - 인공지능 모델 개발 (데이터 전처리, 알고리즘, 구조 최적화) 

  예측하고자 하는 대상과 데이터가 있을 경우, 데이터를 인공지능 모델 학습에 적합하게, 더 나아가서는 모델 정확도를 높이기 위해 데이터를 전처리 합니다. 그리고 예측을 위한 인공지능 알고리즘을 선정하고, 선정된 알고리즘의 구조를 최적화하는 과정을 거쳐야 인공지능 모델을 학습할 수 있습니다.

  본 연구에서는 시계열 데이터를 RNN 알고리즘 중 하나인 LSTM 알고리즘을 사용하지 않고, DNN 알고리즘으로 정확하게 예측하였는데요. LSTM 알고리즘은 정확도가 높지만 계산시간이 오래 걸려 실제 자동차에 적용하기에는 한계가 있었기 때문입니다. 시간에 대한 고려가 없는 DNN 알고리즘의 정확도가 LSTM에 비해 낮았지만, 계산 시간이 월등히 빨라서 실제 자동차에 적용하기에 적합했습니다. 이에 더해, 데이터 전처리 알고리즘을 개발하여 DNN 모델의 정확도를 LSTM의 모델에 근접하게 향상시키는 연구를 수행하였습니다.

   - 도메인 전이학습 (데이터 준비, 모델 활용) 

  인공지능 모델의 학습은 데이터 준비가 핵심이라고 할 수 있습니다. 기존의 연구에서는 시계열 데이터를 예측하기 위해서는 시계열 데이터로 모델을 학습해야 했습니다. 시계열 데이터는 컴퓨터 시뮬레이션으로는 정확히 생성할 수 없기 때문에, 데이터를 취득하기 위해서는 실험 장비를 구축해야 하는 한계가 있었는데요.

  반면, 시간에 대한 정보가 없는 데이터는 컴퓨터 시뮬레이션으로 정확하게 생성이 가능하여 실험 시스템을 구축하지 않아도 되는 장점이 있지만, 이러한 데이터로 시계열 데이터를 예측하는 연구가 이전에는 진행되지 않았습니다.

  시간에 대한 정보가 없는 데이터를 어떤 조건에서 생성해야 시계열 데이터를 예측할 수 있는지에 대한 연구를 수행하여, 데이터 준비에 대한 프로세스와 모델의 다양한 활용 방안을 제시하였습니다.

   - Task 전이학습 (모델 활용) 

  기존 연구들에서는 한 가지 현상을 예측하기 위해서 모델의 구조를 각각 최적화해야 했습니다. 예를 들어, 자동차의 질소산화물과 미세먼지를 각각 예측하고자 한다면 질소산화물 예측 모델을 최적화하고 학습, 미세먼지 예측 모델을 최적화하고 학습해야 합니다. 모델 최적화는 계산량이 매우 많아 오랜 시간이 걸리는 작업인데요.

  Task 전이학습을 통해 만약 어떤 현상에 대해 학습된 모델이 있다면, 모델 최적화 작업을 생략하고 기존 모델을 간단히 재학습하여 다른 현상을 예측하는 모델로 치환할 수 있음을 검증하였습니다. 이를 통해 계산 시간과 비용을 획기적으로 절감할 수 있는 방법을 제안하였고, 학습된 모델의 활용도를 높이는 연구를 수행하였습니다.